python - sklearn.mixture.GMM 将多条高斯曲线拟合成直方图，EM算法错误

Question

我正在使用 sklearn.mixture.GMM 将两条高斯曲线拟合到一组数据，然后将其与数据直方图重叠(数据干扰是 2 条高斯曲线的混合)。

我的数据是 float 列表，这是我正在使用的代码行:

clf = mixture.GMM(n_components=1, covariance_type='diag')
clf.fit(listOffValues)  

如果我将 n_components 设置为 1，则会收到以下错误:

“(或增加 n_init)或检查退化数据。”)RuntimeError:EM 算法永远无法计算给定初始参数的有效可能性。尝试不同的初始化参数(或增加 n_init)或检查退化数据。

如果我使用 n_components 为 2，则错误是:

(self.n_components, X.shape[0]))ValueError:GMM 估计有 2 个分量，但只得到 1 个样本。

对于第一个错误，我尝试更改 GMM 的所有初始化参数，但没有任何区别。

尝试了一组随机数，代码运行得很好。我不知道可能是什么问题。

是否存在我忽略的实现问题？

感谢您的帮助。

Answer 1

如果我理解正确的话 - 您希望用高斯拟合数据分布，并且每个元素只有一个特征。您应该将矢量 reshape 为列矢量:

listOffValues = np.reshape(listOffValues, (-1, 1))

否则，如果您的 listOffValues 对应于您想要用多个高斯拟合的某些曲线，那么您应该使用 curve_fit 。请参阅Gaussian fit for Python